Uczenie poprzez wzmacnianie (reinforcement learning) to rodzaj uczenia maszynowego, w którym model uczy się wchodząc w interakcje ze środowiskiem, poprzez system kar i nagród. Przykłady zastosowania uczenia poprzez wzmacnianie to:
Uczenie gier komputerowych, takich jak gry wideo lub gry planszowe.
Uczenie robotów, aby wykonywały zadania w środowisku fizycznym.
Uczenie systemów, aby podejmowały decyzje w sytuacjach niepewnych.
Przykładem zastosowania uczenia poprzez wzmacnianie może być uczenie gry wideo, takiej jak gry w Atari. Model uczy się poprzez interakcje z grą, otrzymując nagrody za osiągnięcia i kary za porażki. W ten sposób model uczy się strategii gry i może je wykorzystać do podejmowania decyzji w przyszłości.
Wszystkie te przykłady są zgodne z opisem uczenia poprzez wzmacnianie w dostępnym kontekście.